版权声明：本文为博主原创文章,地址:,转载请留言。

总结Jackcard类似度和余弦类似度。

一、集合的Jackcard类似度

1.1Jackcard类似度

Jaccard类似指数用来度量两个集合之间的类似性，它被定义为两个集合交集的元素个数除以并集的元素个数。

数学公式描写叙述:

J(A,B)=|A∩B||A∪B|

这个看似简单的算法有非常大的用处，比方：

1. 抄袭文档
   高明的抄袭者为了掩盖自己抄袭的事实。会选择性的抄袭文档中的一些段落，或者对词语或原始文本中的句序进行改变。jackcard类似度计算适合从字面上进行计算，假设是更高级的抄袭改变了语义jackcard类似度计算就无能为力了
2. 镜像页面
   多个主机上建立镜像以共享载入内容，同一份内容有多个副本。这样的情况实现jackcard类似度计算十分有效。
3. 同源新闻稿
   一个记者撰写了一份新闻稿件投稿多家媒体，稿件经过少量改动后公布，使用这些同源新闻稿能够用jackcard类似度算法来检測出来

1.2 Java实现

import java.util.HashSet;import java.util.Map;import java.util.Set;/** * Created by bee on 17/4/12. */public class JackcardSim {    public static double calJackcardSim(Set
      
        s1, Set
       
         s2) {        Set
        
          all = new HashSet<>();        all.addAll(s1);        all.addAll(s2);        System.out.println(all);        Set
         
           both = new HashSet<>();        both.addAll(s1);        both.retainAll(s2);        System.out.println(both);        return (double) both.size() / all.size();    }    public static void main(String[] args) {        Set
          
            s1 = new HashSet
           
            (); s1.add("互联网"); s1.add("金融"); s1.add("房产"); s1.add("融资"); s1.add("科技"); Set
            
              s2 = new HashSet
             
              (); s2.add("互联网"); s2.add("开源"); s2.add("人工智能"); s2.add("软件"); s2.add("科技"); System.out.println(calJackcardSim(s1, s2)); }}
             
            
           
          
         
        
       
      

执行结果

[科技, 房产, 软件, 融资, 人工智能, 互联网, 开源, 金融][科技, 互联网]0.25

二、向量空间模型

2.1简单介绍

向量空间模型是一个把文本文件表示为标识符（比方索引）向量的代数模型。

它应用于信息过滤、信息检索、索引以及相关排序。

文档和查询都用向量来表示。

dj=(w1,j,w2,j,...,wt,j)q=(w1,q,w2,q,...,wt,q)

cosθ=d2⋅q∥d2∥∥∥q∥∥=∑i=1Nwi,jwi,q∑i=1Nw2i,j‾‾‾‾‾‾√∑i=1Nw2i,q‾‾‾‾‾‾√

2.2、java实现

import java.util.HashMap;import java.util.HashSet;import java.util.Map;import java.util.Set;/** * Created by bee on 17/4/10. */public class Vsm {    public static double calCosSim(Map
      
        v1, Map
       
                    v2) {        double sclar = 0.0,norm1=0.0,norm2=0.0,similarity=0.0;        Set
        
          v1Keys = v1.keySet();        Set
         
           v2Keys = v2.keySet();        Set
          
            both= new HashSet<>();        both.addAll(v1Keys);        both.retainAll(v2Keys);        System.out.println(both);        for (String str1 : both) {            sclar += v1.get(str1) * v2.get(str1);        }        for (String str1:v1.keySet()){            norm1+=Math.pow(v1.get(str1),2);        }        for (String str2:v2.keySet()){            norm2+=Math.pow(v2.get(str2),2);        }        similarity=sclar/Math.sqrt(norm1*norm2);        System.out.println("sclar:"+sclar);        System.out.println("norm1:"+norm1);        System.out.println("norm2:"+norm2);        System.out.println("similarity:"+similarity);        return similarity;    }    public static void main(String[] args) {        Map
           
             m1 = new HashMap<>(); m1.put("Hello", 1.0); m1.put("css", 2.0); m1.put("Lucene", 3.0); Map
            
              m2 = new HashMap<>(); m2.put("Hello", 1.0); m2.put("Word", 2.0); m2.put("Hadoop", 3.0); m2.put("java", 4.0); m2.put("html", 1.0); m2.put("css", 2.0); calCosSim(m1, m2); }}
            
           
          
         
        
       
      

执行结果:

[css, Hello]sclar:5.0norm1:14.0norm2:35.0similarity:0.22587697572631282

三、參考资料